Bert-VITS2 MNN 推理：enc_p 模型的 x 输入的正确 shape 是什么？

[zhang5112]

我正在为一个 PC 端项目做 TTS 语音模块的本地部署替换，目标是从云端 API 方案迁移到 Android 端同款的 Bert-VITS2 (MNN 格式）本地推理。

目前已成功完成：

✅ MNN 模型加载（emb、bert、enc_p、dp、flow、dec 六个模型均加载成功）

✅ 说话人嵌入（meju_emb.mnn）正确生成

✅ BERT 文本特征提取（使用 tokenizer.json + chinese-roberta-wwm-ext-large-distilled-fp16.mnn）

✅ G2P 文本转音素（使用 opencpop-strict.txt，429 个音素，pypinyin Style.NORMAL 无声调模式）

✅ HTTP 服务与游戏客户端通信正常（修复了 Transfer-Encoding: chunked 问题）

✅ flow → dec 链路验证通过：用随机噪声可以生成有意义的语音波形

卡点：模型在 enc_p 阶段崩溃，日志报错：

text
Broad cast error, dim1 = 15, dim2 = 2880
Compute Shape Error for /Add_output_0
Can't run session because not resized
我尝试过的 x 输入 shape（全部失败）：

(1, 192 * phone_len) → Broad cast error, dim1 = 15, dim2 = 2880

(1, 192, phone_len) → Broad cast error, dim1 = 15, dim2 = 192

(1, phone_len, 192) → Broad cast error, dim1 = 15, dim2 = 192

(1, phone_len) → Broad cast error

enc_p 模型的输入输出信息（通过 MNN.Interpreter.getSessionInputAll 获取）：

text
enc_p inputs: {'bert_0': (1, 1024), 'bert_1': (1, 1024), 'bert_2': (1, 1024),
'g': (1, 512, 1), 'language': (1, -1), 't': (1, -1),
'x': (1, -1)}
enc_p outputs: {'logs_p': ..., 'm_p': ..., 'x_mask': ..., 'xout': ...}
其他已知信息：

t 输入为 (1, phone_len)，即音素 ID 序列

g 输入为 (1, 512, 1)，来自 meju_emb(sid=0)

language 输入为 (1, 1)，固定为 [0]（中文）

采样率 = 22050

dp 模型输出为 logw（不是 cum_duration）

原始的 Android 端使用 libBertVITS2.so 作为 JNI 推理引擎

求助问题：

1.x 的正确 shape 是什么？数据类型是 float32 吗？

2.是否需要特殊初始化（全零 / 随机噪声 / 其他）？

3.是否需要对 x 进行 reshape 或 transpose 操作后再传入 enc_p？

可提供材料：如有需要，我可以提供模型文件列表、opencpop-strict.txt、完整错误日志，以及 MNN 版本的 API 调用代码。

感谢！